MétaCan
Menu
Retour à la cohorte
Enregistrement W2004768245 · doi:10.1142/s0218001402002118

ESTABLISHING MUTUAL-BELIEF AMONG COOPERATIVE AGENTS

2002· article· en· W2004768245 sur OpenAlexaff
Wenpin Jiao

Notice bibliographique

RevueInternational Journal of Pattern Recognition and Artificial Intelligence · 2002
Typearticle
Langueen
DomaineComputer Science
ThématiqueLogic, Reasoning, and Knowledge
Établissements canadiensUniversity of Victoria
Organismes subventionnairesnon disponible
Mots-clésCheatingPremiseHonestyComputer scienceMutual informationArtificial intelligenceMutual aidComputer securityEpistemologyPsychologySocial psychologyLawPhilosophyPolitical science

Résumé

récupéré en direct d'OpenAlex

Mutual-belief is one important premise to ensure that cooperation among multiple agents goes smoothly. However, mutual-belief among agents is also always taken for granted. In this paper, we adapt a method based on the position-exchange principle (PEP) to reason about mutual-belief among agents. By reasoning about mutual-belief among agents, we can judge whether cooperation among agents can go on rationally or not. However, if there are malicious agents involved in cooperation, the profit of honesty agents will be injured. To make cooperation useful, agents should be able to reason about cheating behaviors of malicious agents during cooperation. We extend the standard pi-calculus to specify the expectations of agents and define a group of criteria for anti-cheating that agents can use to establish true mutual-belief.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Autre devis · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,989
Score d'incertitude au seuil0,743

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,109
Tête enseignante GPT0,297
Écart entre enseignants0,188 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeAutre devis
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2002
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Pattern Recognition and Artificial IntelligenceMême sujetLogic, Reasoning, and KnowledgeTravaux en français237 207